Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Casos de Uso Reais para Saídas Previstas

Aula 6 de 16 Atualizada a 29 de julho de 2026 Avancado
Nesta página
  1. Três Famílias de Casos de Uso
  2. Caso de Uso 1: Edição de Código
  3. Caso de Uso 2: Edição de Texto
  4. Caso de Uso 3: Preenchimento de Modelos
  5. Medição de Ganhos no Mundo Real
  6. Pontos-chave

Três Famílias de Casos de Uso

O fio condutor destas três famílias é simples: as Saídas Previstas compensam quando a maior parte da saída é conhecida antecipadamente. A natureza da tarefa — código, texto ou modelo — importa menos do que a proporção do resultado que consegue fornecer como previsão. Com 90% de conteúdo inalterado, o ganho é dramático; com 30%, torna-se negligenciável, independentemente do caso de uso.

Mantenha esta proporção em mente ao explorar as três famílias abaixo. Elas representam cenários onde essa proporção é naturalmente elevada. Nesta lição, verá exemplos concretos para cada categoria, juntamente com padrões que pode replicar nas suas próprias aplicações.

Caso de Uso 1: Edição de Código

Esta é a aplicação mais natural, pois o código maximiza mecanicamente a proporção: renomear uma variável num ficheiro de 500 linhas deixa 498 linhas estritamente idênticas. Começa com um ficheiro de código existente e pretende efetuar uma alteração direcionada. O modelo apenas precisa de regenerar as linhas modificadas.

Renomear uma Variável

existing_code = """
def calculate_total(items):
    tax_rate = 0.20
    subtotal = sum(item.price for item in items)
    tax = subtotal * tax_rate
    total = subtotal + tax
    return total
"""

prompt = (
    "Rename the variable 'tax_rate' to 'vat_rate' throughout this code. "
    "Reply with only the modified code."
)

response = client.chat.complete(
    model="codestral-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": existing_code}
    ],
    prediction={"type": "content", "content": existing_code}
)

O modelo sabe que a estrutura do código permanece idêntica. Apenas recalcula os tokens afetados pela renomeação.

Alterar uma Importação ou Dependência

existing_code = """
from flask import Flask, request, jsonify
from flask_cors import CORS

app = Flask(__name__)
CORS(app)

@app.route('/api/predict', methods=['POST'])
def predict():
    data = request.get_json()
    result = model.predict(data['input'])
    return jsonify({'prediction': result})
"""

prompt = (
    "Migrate this code from Flask to FastAPI. "
    "Keep the same business logic. "
    "Reply with only the code."
)

response = client.chat.complete(
    model="codestral-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": existing_code}
    ],
    prediction={"type": "content", "content": existing_code}
)

Caso de Uso 2: Edição de Texto

O texto segue a mesma lógica que o código, com uma nuance importante: as alterações de texto são frequentemente menos localizadas do que possa pensar. Alterar um número num relatório pode desencadear a reescrita da frase que o comenta, do parágrafo de resumo e da conclusão. O ganho é real, mas meça-o nos seus documentos reais em vez de assumir que equivale ao ganho observado com o código.

Atualizar uma Secção num Relatório

report = """
# Q4 2025 Quarterly Report

## Executive Summary
Revenue reached €2.3M in Q4 2025, up 15%
from Q3. Operating margin stands at 22%.

## Sales Performance
The sales team signed 47 new contracts, including 12 key accounts.
Average deal size grew 8% to €49,000.

## Q1 2026 Outlook
We anticipate 10% growth driven by the launch of the
Enterprise product and expansion into the German market.
"""

prompt = (
    "Update this report for Q1 2026 with the following data: "
    "Revenue = €2.7M (+17%), margin = 24%, 53 new contracts, "
    "average deal size = €51,000 (+4%). "
    "For the Q2 outlook, mention expansion into the Benelux region. "
    "Keep the exact same structure."
)

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": report}
    ],
    prediction={"type": "content", "content": report}
)

Caso de Uso 3: Preenchimento de Modelos

Quando dispõe de um modelo fixo onde apenas alguns valores mudam, a previsão é quase perfeita:

email_template = """
Hello {name},

Following up on our conversation on {date}, I confirm the following points:

1. The {project} project will start on {start_date}
2. The team will consist of {num_people} people
3. The estimated budget is €{budget} (excl. tax)

I remain at your disposal for any questions.

Best regards,
{signatory}
"""

# Partially fill the template for prediction
prediction = email_template.replace("{name}", "Mr. Dupont")
prediction = prediction.replace("{signatory}", "Marie Martin")

prompt = (
    "Complete this email with the following information: "
    "date = March 28, 2026, project = Cloud Migration, "
    "start_date = April 15, 2026, num_people = 5, "
    "budget = 85,000."
)

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": prompt},
        {"role": "user", "content": prediction}
    ],
    prediction={"type": "content", "content": prediction}
)

Medição de Ganhos no Mundo Real

Para avaliar a eficácia das Saídas Previstas para o seu caso de uso, compare sistematicamente execuções com e sem previsão:

import time

# Without prediction
start = time.time()
resp_normal = client.chat.complete(
    model="mistral-large-latest",
    messages=messages
)
time_normal = time.time() - start

# With prediction
start = time.time()
resp_predicted = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    prediction={"type": "content", "content": predicted_content}
)
time_predicted = time.time() - start

gain = (1 - time_predicted / time_normal) * 100
print(f"Without prediction: {time_normal:.2f}s")
print(f"With prediction: {time_predicted:.2f}s")
print(f"Latency gain     : {gain:.1f}%")

O ganho varia consoante a percentagem de conteúdo corretamente previsto. Para uma alteração de 5% num ficheiro de 500 linhas, espere uma redução da latência entre 60% e 80%.

Pontos-chave

  • A edição de código (renomeação, migração, refatoração ligeira) é o caso de uso principal
  • A edição de texto (relatórios, documentos) beneficia de uma estrutura estável
  • Modelos com poucos valores dinâmicos oferecem a melhor relação ganho/esforço
  • Meça sempre o ganho no mundo real no seu contexto antes de implementar em produção